Устранение узких мест:сила аналитики в производстве

Рубан Фукан, соучредитель и директор по продуктам и аналитике в Progress DataRPM, обсуждает извечную борьбу с узкими местами и роль пред...

Рубан Фукан, соучредитель и директор по продуктам и аналитике Progress DataRPM, обсуждает извечную борьбу с узкими местами и роль прогнозной аналитики в производстве.

Проблемы, связанные с узкими местами в производстве, хорошо задокументированы. Задержки производства, затоваривание, повышенное давление со стороны клиентов и другие проблемы, вызванные внезапным непредвиденным ограничением производственных мощностей, могут иметь разрушительные последствия для любого бизнеса в отрасли. Имея это в виду, Manufacturing Global поговорила с бывшим специалистом по данным Yahoo и руководителем Progress DataRPM Рубаном Фуканом об использовании моделей профилактического обслуживания и о том, как они могут помочь в создании отказоустойчивой среды.

Вникнуть в суть проблемы

Как бывший член группы анализа данных Yahoo, Фукан хорошо разбирается в сложностях, связанных с использованием больших данных. «Я был частью первой группы специалистов по обработке и анализу данных, созданной в Yahoo много лет назад, — говорит он. «Большое открытие заключалось в том, что науку о данных очень трудно масштабировать вручную для крупных организаций. Мы поняли, что единственный способ действительно решить проблему науки о данных таким образом, чтобы повысить ценность бизнеса, — это автоматизировать процессы, лежащие в основе этого анализа данных».

Уйдя из Yahoo, Фукан начал свой собственный вертикальный поисковый бизнес, используя машинное обучение для понимания поведения пользователей, в частности, занимаясь прогнозной аналитикой. Продав его, он занялся бизнесом со своими нынешними соучредителями, где он рассказывает об истории ProgressDataRPM и о том, как компания добивается успехов, среди прочего, в устранении узких мест.

«Когда мы впервые собрались вместе, мы поняли, что генерируется огромное количество цифровых данных, но проблема осталась прежней:ее нельзя решить вручную. Просто не хватает специалистов по данным. Даже при наличии огромного количества данных ценность, которую извлекают из этого компании, не оправдывает окупаемость инвестиций», – говорит он.

"Итак, мы начали спрашивать:"Можем ли мы создать платформу, которая сделает процессы обработки данных бесшовными и автоматизированными?" Мы хотели, чтобы предприятия могли использовать передовой опыт, применять его к своим проблемам и решать их в масштабе".

Достижения в области машинного обучения

С развитием технологических возможностей машинного обучения Пхукан и его соучредители смогли справиться с огромным объемом данных и информации, доступных своим клиентам, таким образом, который раньше был невозможен. Что особенно важно для производственных предприятий, это означало, что они также могли инициировать положительное влияние на такие вещи, как производственная линия.

«Например, с такими вещами, как датчики, это помогает нам понять на очень детальном уровне нормальное функционирование машины в различных условиях эксплуатации и окружающей среды. Затем мы можем оценить, как это влияет на исправность машины и, следовательно, на производственную линию с точки зрения эффективности», — говорит он нам.

Развертывая автоматизированную ферму растений, для которой не требуется, чтобы кто-то был экспертом в области обработки данных, ProgressDataRPM, по сути, помогает крупным отраслям, основанным на активах, решить две проблемы:как свести к минимуму незапланированные простои и как максимизировать качество и эффективность их продукции. ресурсы. Все это делается с помощью программного обеспечения для прогнозирования когнитивных аномалий. В тот момент, когда он подключается к данным датчиков, он автоматически определяет нормальные условия работы машины. Затем он ищет вещи, которые отклоняются от этих условий, и создает предупреждение, прежде чем прогнозировать потенциальные проблемы, которые могут возникнуть.

Именно эта способность предсказывать неизвестное, по мнению Фукана, представляет собой серьезный отход от предыдущих традиционных процессов. «Нам нужно уметь анализировать, почему что-то произошло в прошлом, но, что более важно, нам также нужно предсказывать то, чего еще не было», — объясняет он.

Влияние на сборочную линию

Одной из ключевых областей, которые необходимо изучить производственным предприятиям, являются процессы, влияющие на то, что происходит на производственной линии, в частности, сроки контроля качества. «Например, мы работали с рядом производителей в автомобильной и медицинской отраслях, и одна из самых больших проблем, с которыми они сталкиваются, заключается в том, что проверка качества происходит в конце производственного процесса. Таким образом, как только будет произведена целая партия продукта, будут проведены тесты, чтобы определить, все ли в порядке. Это может привести к тому, что процент брака может достигать 75 %», — говорит Фукан.

Поскольку большинство правил набора тестов могут быть написаны только на основе предыдущего опыта, когда возникает новая проблема, которая не была учтена, это может привести к серьезным проблемам, таким как отзыв продукта. Таким образом, по словам Фукана, использование платформ прогнозной аналитики станет нормой. На самом деле, это то, что он уже все чаще идентифицировал в производстве.

«Когда производители разговаривают с нами, они спрашивают, могут ли они использовать машинное обучение, чтобы определить, является ли партия бракованной. Они знают, что мы можем обнаруживать вещи намного раньше, поэтому они могут остановить процесс, чтобы свести к минимуму затраты и потери».

Есть ли у него конкретные примеры этого в действии? «Мы работаем с крупным провайдером телекоммуникационных услуг во Франции, и у них возникла реальная проблема с телевизионной приставкой, которая, как вы могли бы предположить, не требует интенсивного профилактического обслуживания. Проблема заключалась в том, что каждый раз, когда один из них выходил из строя, им приходилось идти, выявлять проблему и заменять его. Понятно, что это затратно по времени и деньгам. Кроме того, существует огромный риск потери клиентов», — говорит он.

«Мы заблаговременно определили, что у одной трети их боксов была проблема, а это означало, что служба поддержки клиентов могла позвонить и попросить людей обновить свои боксы или отправить замену до того, как произойдет сбой».

Будущее анализа узких мест

Производители явно все больше осознают преимущества машинной когнитивной технологии, которая позволяет им выявлять аномалии и, возможно, привлекать эксперта в предметной области, чтобы помочь определить последствия результатов, полученных машиной.

Действительно, Фукан обсуждает, как AR, IoT, гарантии, гибридные облачные вычисления и блокчейн тоже будут играть все более важную роль, однако обнаружение неизвестного, по его мнению, будет ключевым. «Ключ не в том, что уже известно; эксперты в предметной области могут отлично справиться с этим, но большая проблема заключается в неизвестности и в том, что ударит по бизнесу дальше. Это то, что нам нужно предотвратить, и это главное, что изменит производственную игру», — заключает Пхукан.